一种基于风险意识的、用于异构无人机群任务分配的进化优化方法

《Expert Systems with Applications》：A risk-aware segment-learning evolutionary optimization method for heterogeneous unmanned aerial vehicle swarm task allocation

　　• 建立一个用于异构无人机群的任务分配模型，该模型考虑了时间间隔多目标特性。
• 提出了一种基于风险意识的分段学习进化优化算法。
• 设计了一种动态合作维修机制，用于任务分配方案。
• 提出了一种前瞻性维修解码策略，以避免无人机的悬停风险。

**引言**
由于无人驾驶飞行器（UAV）具有显著的优势（如无人员伤亡、高灵活性和强机动性（Cao等人，2024年），它们已成为复杂作战环境中的不可或缺的力量（Tang、Duan和Lao，2023年）。随着应用环境变得越来越复杂，单架无人机受到载荷和操作安全限制的约束，难以适应动态和高风险环境。因此，无人机群协同作战已成为一个关键的发展方向（Han、Liu、Wang和Liu，2022年）。在协同任务中，如何合理调度不同类型的无人机（例如侦察、处理和通信协助），以在时间协调和资源约束下最大化整体作战效果，已成为集群指挥和控制的核心挑战（Song、Zhao和Liu，2023年）。特别是对于异构无人机群的任务分配问题，设计一个高效且稳健的任务分配方案对于确保在复杂环境中的任务成功至关重要（Ning、Fan和Sun，2025年；Zhang和Xing，2020年）。

为了解决多无人机协同任务分配问题，学者们提出了许多有效方法。在任务分配建模方面，现有研究涵盖了旅行商问题（TSP）的变体（Bao、Wang、Xu和Wang，2023年）、混合整数线性规划（MILP）（Xu、Kuang、Gao、Zhao和Wu，2023年）以及协作多任务模型（Lee等人，2024年）。例如，Gao（2025年）引入了一种基于直觉模糊多标准的决策方法，而Chai、Meng和Wang（2026年）探讨了用于联合轨迹和调度优化的多智能体深度强化学习。Li（2023年）通过综合考虑完成任务时间、飞行距离和资源消耗，构建了一个多约束任务调度模型。Han等人（2025年）基于电子海图指示的海上服务需求，建立了一个典型的任务分配模型。Zhang和Yue（2025年）提出了一个基于资源需求约束的无人机联盟模型，并将其表述为一个非凸混合整数二次规划问题。Gao、Zhao、Zhao、Cheng和Zhen（2025年）设计了一个基于列生成和迭代求解方法的混合集中式和分布式解决方案框架。Peng、Wu和Li等人（2023年）结合了狼群劳动分工模型，提出了一种适应动态环境的分配方法。Dai、Jia、Chen、Mei和Yang（2025年）提出了一种基于多阶段粒子群优化的多机器人任务分配方法，用于多点动态聚合问题。尽管这些工作丰富了确定性环境中多无人机任务分配的建模理论，但在处理危险信息不确定的情况时仍存在显著不足。

在任务分配模型的解决方案方面，现有方法可以分为分布式（Luo、Xing和Fan，2024年）和集中式（Chen、Wan、Qi等人，2025a）两类。虽然分布式方法具有计算负担轻和鲁棒性强的优点，但在复杂环境中难以获得全局最优解（Qi、Huang、Sun、Jin、Su，2023年；Yue、Zhang、Liu，2025年）。相比之下，集中式方法可以整合全局态势信息以找到全局最优分配方案，更适合本文关注的强约束任务分配问题。在集中式方法中，精确方法如整数规划（Tu、Liu、Yan等人，2023年）和博弈论（Huo、Zhang、Huang等人，2024年）理论上可以获得全局最优解，但由于计算复杂度高，难以满足复杂环境中的实时决策需求（Wen和Ma，2024年）。另一方面，进化算法（EAs）（Li、Yang、Yang、Liu，2024年；Sun、Pan、Bao、Liu，2023年）在解决这类问题时表现出良好的适应性。然而，大多数上述启发式方法假设任务执行的风险保持不变，忽略了外部危险环境带来的不确定性（Zhang、Cui和Ren，2023a）。

众所周知，在以强约束为特征的实际情况中，无人机群任务分配问题面临的挑战比传统场景要严峻得多（Wu、Liang、Gou等人，2023年；Zhang、Feng、Yang等人，2023b）。一方面，由于干扰和感知噪声的限制，决策者往往难以准确评估危险程度，导致环境风险的不确定性很高。另一方面，为了实现多无人机同时协同作战，提前到达的无人机必须在任务区域内悬停等待，这显著增加了暴露风险。值得注意的是，这种风险随等待时间的增加而呈非线性累积，容易触发平台故障阈值（即风险崩溃）。然而，现有方法常常忽略这一关键的安全约束，导致理论上的最优解在实践中因风险过高而无效。

为了解决模型中的不确定信息，现有文献通常采用模糊优化、区间优化或鲁棒优化方法。例如，为了处理无人机群的不可靠观测数据，Xiong、Li等人（2023年）提出了一种基于概率调整的市场任务分配方法。Zhong、Yang、Zheng、Zheng和Mei（2025年）将两阶段不确定任务分配模型转化为期望值高效的确定性模型。Yoon、Do和Kim（2022年）提出了一种适用于任务节点位置不确定情况的鲁棒任务分配算法。尽管这些方法为处理任务分配问题中的各种不确定性提供了有效手段，但它们并未专门解决无人机面临的动态风险累积问题。此外，同时协同作战的时间同步要求不仅引入了复杂的非线性时间约束，还直接影响无人机的安全概率，进一步增加了在不确定风险下处理无人机协同任务分配的难度。

鉴于风险不确定性和非线性时间约束的挑战，本文提出了一种基于风险意识的分段学习进化算法（RASLEA），用于异构无人机群任务分配。首先，考虑到无人机在执行任务时面临的风险不确定性，建立了一个用于异构无人机群的区间多目标协同任务分配模型。随后，提出了RASLEA算法来高效求解该模型。主要贡献包括：
(1) 建立了一个用于异构无人机群的区间多目标协同任务分配模型，利用区间数来描述环境危险威胁的不确定性，并采用基于Hurwicz决策标准的确定性转换机制将区间风险转换为符合决策者偏好的确定性值。
(2) 提出了一种基于风险意识的分段学习进化算法（RASLEA）。与传统离散代数运算不同，设计了一种改进的分段替换运算符，用于定向重组低质量子序列；同时，提出了一种基于危险潜力的风险驱动的种群初始化策略，以生成高质量的初始解。
(3) 提出了一种前瞻性维修解码策略和动态合作维修机制。前瞻性解码策略可以逆向计算时间同步，将危险的空中滞留转化为零风险的基础延迟；同时，合作维修机制可以动态调整不可行的方案，以严格满足同时操作约束。

**实验设置**
本文考虑了在复杂危险环境中异构无人机群的协同操作任务分配问题。假设决策者有一个前线操作基地，并部署了一个由类型I（高速、低载荷）和类型II（低速、高载荷）无人机组成的无人机群U={u1,u2,…,uK}。在操作区域内有N个高价值任务Γ={T1,T2,…,TN}，每个任务周围都存在未知的危险区域。

**提出的风险意识分段学习进化算法**
为了解决上述模型，本文提出了一种基于风险意识的分段学习进化算法（RASLEA）。图2展示了RASLEA的基本架构。与现有的启发式算法相比，RASLEA摒弃了传统的连续代数速度-位置更新，引入了三个新颖的离散模块：
(1) 基于危险潜力的种群初始化模块；
(2) 风险驱动的种群初始化模块，通过定义危险潜力聚类分配策略和风险-距离耦合贪婪排序。

**实验验证**
为了验证RASLEA算法在不同问题规模下的适应性，本文设计了四组具有不同规模的场景（S1-S4），从小型局部任务到大型复杂操作，参考了实际操作布局。这些场景中的操作任务位置、基本危险值和资源需求是在预设范围内随机生成的。具体模型参数和场景设置见表2。

**结论**
本文提出了一种考虑风险不确定性的异构无人机群任务分配的基于风险意识的分段学习进化算法，以应对风险信息的区间不确定性和异构无人机群在复杂高风险环境中的复杂协同约束。首先，结合了异构无人机的性能差异、多无人机协作的时空耦合约束以及动态风险。

**作者贡献声明**
Jinjun Ju：概念化、方法论、软件开发；
Hui Wang：监督、资金获取、撰写 – 审稿与编辑；
Yulong Chen：数据整理、撰写 – 原稿准备；
Ying Zhang：验证、调查；
Penglong Zheng：形式分析、可视化；
Wanma Song：资源支持；
Feng Li：软件开发、验证。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。